美国西北半干旱地区玉米青贮的产量、品质以及作物水分生产力的函数关系

《Soil Science Society of America Journal》：Maize silage yield, quality, and crop water productivity functions in the semi-arid Northwest United States

　　摘要

由于水资源短缺，需要数据来指导美国西北部半干旱地区灌溉玉米（Zea mays L.）青贮生产中的缺水管理。本研究的目的是在低氮和最佳氮输入系统下，建立玉米青贮产量和质量与玉米用水量（ETc，即作物蒸散量）之间的关系。处理措施包括两种氮输入量（0和246公斤氮/公顷/年）以及四种不同的水分输入量，范围从全灌溉量的25%到100%。全灌溉处理下的ETc比模型计算的作物ET（ETm）低16%，这表明可能需要调整适用于美国西北部半干旱地区的作物系数（Kc）。2017年，不同氮输入量对青贮产量的影响没有差异，但在2018年和2019年，不同氮处理量的产量水分生产函数（WPFs）存在差异。总体而言，青贮质量受到水分输入量的影响，而氮输入量则没有影响。WPFs是通过ETc与生产和质量测量值之间的二次关系建立的。所有年份和处理条件下的玉米青贮产量范围为4.0–19.7公斤/公顷。所有年份和处理条件下的作物水分生产（CWP）范围为2.1–5.2公斤/立方米。在最大CWP下的ETc为ETm的56%。这些WPFs对于理解不同水分条件下玉米的响应以及开发评估未来缺水情况下生产的工具非常有价值。

简而言之

干旱和水资源需求增加了对数据的需求，以便在美国西北部半干旱地区的灌溉玉米青贮生产中指导缺水管理。本研究的目的是在低氮和最佳氮输入系统下，建立玉米青贮产量和质量与玉米用水量之间的关系。研究结果得出的水分生产函数（WPFs）可以作为模型基础，帮助最大化农场/乳品业的经济效益，并指导半干旱气候下的玉米青贮灌溉管理。使用美国土木工程师协会标准化参考蒸散模型中的AgriMet Kc系数和苜蓿蒸散量进行计算时，可能会高估青贮的水分需求，可能需要调整以防止水分过度施用。数据支持在生长季节监测土壤水分状况和青贮水分需求的重要性，以了解玉米的水分胁迫水平并协助灌溉调度。

1 引言

爱达荷州乳品生产区的玉米（Zea mays L.）生产需要发展与灌溉相关的管理实践。由于乳品生产的增加，爱达荷州的玉米产量也有所增长。过去三十年中，爱达荷州的奶牛总数增加了240%以上（USDA-NASS，2023年）。2023年，爱达荷州有661,000头奶牛。同期，玉米种植面积平均增加了370%（2019-2023年为97,100公顷，而1990-1994年为260,000公顷）。除了爱达荷州普遍缺乏玉米灌溉数据外，气候变化（包括区域和季节性降水量变化）、农业和非农业部门的水分需求增加以及灌溉成本上升，都引发了对水资源供应的担忧（Lingle & Franti，1998；McGuire，2004；McGuire & Fischer，1999）。在爱达荷州和美国西北部其他地区，需要提供基于研究的数据来开发节约灌溉用水的农业灌溉管理实践。建立作物水分生产函数（作物生产因素与用水量之间的关系）是一种有价值的方法，用于评估和开发新的、更高效的灌溉管理实践。作物产量与作物用水量（ETc，即作物蒸散量）之间的关系会因管理实践和天气条件而异（Payero等人，2006；Tarkalson等人，2018）。在美国，关于干旱和半干旱条件下缺水条件下玉米青贮生产的研究有限（Nilahyane等人，2018；Sullivan等人，2023；van den Hoek，2015）。更多研究集中在玉米粒上（Barrett & Skogerboe，1978；Gilley等人，1980；Hanks等人，1974，1983；Hanks等人，1976；Klocke等人，2004；Payero等人，2006；Robins & Domingo，1953；Schneekloth等人，1991；Sinclair等人，1984；Stewart等人，1977；Stone，2003；Tanner & Sinclair，1983；Tarkalson等人，2022；Trout & DeJonge，2017）。还有一些研究关注美国以外干旱和半干旱地区玉米青贮对水分输入的响应（Bhattarai等人，2020；Gheysari等人，2017；Kiziloglu等人，2009；Neal等人，2011；Salemi等人，2011；Simsek等人，2011；Ucak等人，2016）。目前还没有发表关于美国西北部半干旱地区灌溉玉米青贮的水分生产函数的研究。Tarkalson等人（2022）在爱达荷州南部进行了研究，确定了玉米粒的水分生产函数（WPFs）。水分生产函数是作物生产测量值（产量和质量）与ETc在一系列水分输入量（从缺水到最佳）之间的量化关系。由于生长季节长度和收获的植物成分不同，玉米粒和青贮需要分别建立生产函数。玉米青贮可以在达到生理成熟期前20到30天收获。本文将针对包含超过70%乳品产业的爱达荷州中南部半干旱地区，建立玉米青贮的WPFs。在美国，已有几项研究评估了氮（N）水平和灌溉用水量对玉米粒生产的影响（Al-Kaisi & Yin，2003；Ogola等人，2022；Zamora-Re等人，2020）。然而，我们没有找到关于在高氮和低氮输入系统下建立玉米青贮WPFs的研究。作物水分生产（CWP）是作物生物量（本文中的玉米青贮产量[SY]）与消耗的水分（Kilemo，2022）的比率，具体来说是每立方米用水量产生的作物产量公斤数。在水资源有限的地区，提高CWP非常重要，尤其是在全球范围内，为了使食品生产与不断增长的人口相匹配，特别是在水资源有限的地区（Foley等人，2020）。农业生产的进步（如植物育种、水资源管理和其他管理因素）随着时间的推移提高了CWP（Zwart & Bastiaanssen，2004）。虽然已经为玉米粒广泛计算了CWP（Foley等人，2020），但关于玉米青贮的CWP数据非常少。在美国，只有一篇同行评审的论文报告了玉米青贮的CWP。在怀俄明州进行的一项研究中，全灌溉条件下玉米青贮的平均CWP为3.7公斤/立方米（Nilahyane等人，2018）。来自非美国的研究中，只有少数报告了CWP值，范围从1.5到9.1公斤/立方米（Kiziloglu等人，2009；Simsek等人，2011）。所有作物CWP的巨大差异是由于影响土壤-植物-水分关系的任何因素的差异，如气候、土壤、灌溉管理、遗传、肥力、耕作和其他管理实践。然而，目标是在给定系统内提高CWP。重要的是要为美国西北部半干旱地区开发特定的灌溉水资源管理实践，考虑水资源短缺及其对不同生产潜力下玉米青贮生产的影响。本研究的目的是在低氮和最佳氮输入系统下建立玉米青贮生产因素的WPFs。

2 材料与方法

本文基于之前发表的一项研究中的玉米青贮数据（Tarkalson等人，2022），该研究还报告了玉米粒数据。因此，我们参考那篇论文以获取研究的完整细节。本文提供了材料和方法的总结。田间研究于2017年至2019年在ID州Kimberly附近的USDA-ARS西北灌溉和土壤研究实验室进行。研究地点的土壤类型为Portneuf粉砂壤土（粗砂质混合湿润Durixerollic Calciorthid）。田间研究采用了带状地块随机完全区组设计，重复四次。主要处理措施是两种年度氮输入量（0公斤氮/公顷=?N，246公斤氮/公顷=+N），子处理措施是四种不同的水分输入量（全灌溉处理[FIT]、75FIT—大约75%的FIT、50FIT—大约50%的FIT和25FIT—大约25%的FIT）。FIT处理旨在提供100%的作物水分需求（模型计算的作物ET，ETm）（Allen等人，2005）。+N处理基于Brown等人（2010）推荐的氮输入量（246公斤氮/公顷，以尿素形式）。在两种氮输入处理下，磷（P）和钾（K）的浓度均符合爱达荷大学的推荐标准（Brown等人，2010）。地块宽度为9.1米（12行），长度为41.1米。所有研究年份的玉米都在5月以94,000粒/公顷的密度种植。三年研究期间种植的种子品种均为Pioneer P9188R（Roundup Ready Maize 2）。种子使用了Raxil PPST 250进行处理（包含杀菌剂thiabendazole、fludioxonil、mefenoxam和azoxystrobin以及杀虫剂thiamethoxam）。作物以0.76米的行间距和152.4毫米的种子间距种植。每年在V3到V4生长阶段，对所有地块一次性施用最大标签剂量的草甘膦和dicamba来控制杂草。

核心观点

- 建立的玉米青贮生产函数有助于指导半干旱气候下的玉米青贮灌溉管理。
- 氮肥力状况影响了水分生产函数。
- 目前发布的区域每日玉米系数（Kc值）用于调整参考ET以适应作物模型ET，可能会高估研究区域的玉米蒸散量。
- 在生长季节测量土壤水分含量和计算模型蒸散量对于了解玉米的水分胁迫水平以及协助灌溉调度非常重要。
- 使用线性移动灌溉系统来提供水分输入处理。
- FIT处理旨在根据美国土木工程师协会（ASCE）标准化的参考蒸散模型（Allen等人，2005）和每日作物系数（Wright，1982）以及位于地块4.5公里处的Agrimet气象站的数据来匹配玉米ETm。
- 每日ETm被计算出来，并使用特定于处理的变量流量喷嘴每周两到三次向所有处理施用灌溉水。
- 在整个生长季节监测FIT处理，以确保土壤水分保持在田间持水量和最大允许耗竭（MAD）水平之间，从而避免作物水分胁迫。
- 图1显示了每种水分处理随时间的累积灌溉量和降水量与ETm的关系。
- ETc基于土壤水分平衡估算（Evett等人，2012）：

$$\begin{equation}{\mathrm{ETc}} = {{\Delta}}S + P + I - R - {\mathrm{DP}} - U\end{equation}$$
其中ΔS是玉米出苗到青贮收获期间活跃根区土壤剖面（1.2米）中的土壤水分储存减少量，P是出苗到青贮收获期间的累积降水量，I是出苗到青贮收获期间的累积灌溉量，R是径流与地面流量的差值，DP是渗透到根系深度以下的水分。U是向上的土壤水分通量。所有单位均为毫米。降水量在每个重复实验的测量站点使用雨量计测量。过去的研究表明，在使用的灌溉速率下，径流（R）可以忽略不计。此外，地块区域采用了水库耕作方式，整个生长季节没有可见的径流。由于从出苗到青贮收获期间土壤水分含量低于田间持水量，因此假设深层渗透（DP）为零。由于地下水位在表面以下超过5米，假设向上的土壤水分通量为零。图1：在图形查看器中打开

在生长季节内，基于ASCE标准化参考蒸散量（ETr）（Allen等人，2005年），累积的水分（灌溉和降水）输入深度与模拟的作物蒸散量（ETm）进行了比较。FIT表示全灌溉处理。CWP的计算公式如下：

$$\begin{equation}{\mathrm{CWP}} = \frac{{{\mathrm{SY\ }}}}{{{\mathrm{ETc\ }} \times \ 10}}\end{equation}$$
其中SY是干玉米青贮饲料的产量（千克/公顷），ETc是玉米作物的水分利用量（毫米/公顷）。注意10是一个转换因子，用于将毫米/公顷转换为立方米/公顷。CWP的单位是千克/立方米。在研究的所有年份中，土壤含水量都是使用中子探针方法（Evett & Steiner，1995年）定期（每周或每两周）测量的，测量点从土壤表面开始，深度为0.30米到1.2米。体积土壤水分测量值乘以土壤深度得到土壤水分深度。植物可利用的水分是根据田间持水量（0.32立方米/立方米）和永久萎蔫点（0.14立方米/立方米）估算的。田间持水量和永久萎蔫点是使用压力板装置（King等人，2019年）为Portneuf粉砂壤土确定的。土壤水分测量值与田间持水量、50%可利用水分和永久萎蔫点进行了比较。设定50%的MAD水平作为作物缺水的临界值（Jensen等人，1990年）。玉米青贮饲料分别在2017年9月15日、2018年9月12日和2019年9月12日收获，每个地块的面积为34.7平方米（1.52米×22.86米），采用地块收获系统。从每个地块中称量总收获量，并收集代表性子样本。子样本在60°C下烘干48小时，得到干重。玉米青贮饲料子样本使用电动植物研磨机研磨通过2毫米筛子，然后使用NIRSystems Model 5000（FOSS North America）和近红外光谱协议（Shenk，2001年）测定未发酵玉米青贮饲料的质量参数。玉米青贮饲料的质量参数包括粗蛋白（CP）、可溶性碳水化合物（WSC）、乙醇可溶性碳水化合物（ESC）、酸洗涤纤维（ADF）、淀粉酶和亚硫酸钠中性洗涤纤维（aNDF）以及30小时中性洗涤纤维（dNDF30）。

图2：在图形查看器中打开

WPF（水分生产因子）的计算公式如下：

$$\begin{equation}{\mathrm{SY - ETc\ }}\,{\mathrm{WPF}} = {\mathrm{silage}}\,{\mathrm{yield\ }}\left( {{\mathrm{SY}}} \right){\mathrm{vs}}.\,{\mathrm{ETc}}\end{equation}$$
$$\begin{equation}{\mathrm{CWP - ETc}}\,{\mathrm{WPF}} = {\mathrm{CWP}}\,{\mathrm{vs}}.\,{\mathrm{ETc}}\end{equation}$$
$$\begin{equation}{\mathrm{SQ - ETc}}\,{\mathrm{WPFs}} = {\mathrm{silage}}\,{\mathrm{quality}}\left( {{\mathrm{SQ}}} \right){\mathrm{vs}}.\,{\mathrm{ETc}}\end{equation}$$

青贮饲料质量测量包括CP、WSC、ESC、ADF、aNDF和dNDF30。WPFs是根据处理组的平均最大SY、ETc和CWP进行标准化的，以消除与年际产量潜力变化相关的随机变异性（Doorenbos & Kassam，1986年；Trout & DeJonge，2017年）。本文中将标准化的WPFs标记如下：

$$\begin{equation}{\mathrm{Rel}}\,{\mathrm{SY - Rel}}\,{\mathrm{ETc}}\,{\mathrm{WPF}} = {\mathrm{relative}}\,{\mathrm{silage}}\,{\mathrm{yield}}\,{\mathrm{vs}}.\,{\mathrm{relative}}\,{\mathrm{ETc}}\end{equation}$$
$$\begin{eqnarray}&&{\mathrm{Rel}}\,{\mathrm{CWP - Rel}}\,{\mathrm{ETc}}\,{\mathrm{WPF}} \nonumber\\ &&= {\mathrm{relative}}\,{\mathrm{crop}}\,{\mathrm{water}}\,{\mathrm{productivity}}\,{\mathrm{vs}}.\,{\mathrm{relative}}\,{\mathrm{ETc}}\end{eqnarray}$$

由于时间变异性和水分输入处理的复合效应，对每一年分别进行了统计分析。使用Statistix 8.2（Analytical Software）中的条带设计模型，对水分输入和氮输入处理的主效应以及SY、CWP和未发酵青贮饲料质量因素的交互作用进行了方差分析（ANOVA）。氮输入是主区，水分输入是子区。显著性水平为0.05。对于显著的主效应或交互作用，在Sigma Plot 13.0（Systat Software Inc.）中建立了二次回归方程，以描述因变量（SY、CWP和未发酵青贮饲料质量因素）对自变量（ETc）的响应。

3 结果与讨论

3.1 作物、气候、水分输入、蒸散量和土壤含水量

本研究中的管理措施与爱达荷州南部地区的商业实践一致。出苗日期分别为2017年5月27日、2018年6月1日和2019年6月1日。所有处理组的植株密度分别为90,000株/公顷、89,500株/公顷和87,600株/公顷。爱达荷州5年的平均玉米产量为21.2干吨/公顷（USDA-NASS，2023年）。研究中最大产量（+N FIT处理）分别为2017年的19.7吨/公顷、2018年的19.1吨/公顷和2019年的17.0吨/公顷。Kimberly地区的气候较为干燥，20年（2003-2023年）的平均年降水量约为254毫米（Bureau of Reclamation AgriMet System）。本研究中的玉米青贮生长季节（5月20日至9月15日）的20年平均降水量和ASCE标准化参考蒸散量（ETr，苜蓿参考）分别为50毫米和868毫米。平均而言，年降水量的20%发生在生长季节。表1包含了研究每年的额外气候数据。表2包含了从出苗到收获期间玉米的降水量和蒸散量数据。在我们的3年研究中，玉米青贮生长季节的降水量仅占青贮蒸散量（ETm）的3.2%（表3）。在所有处理组和年份中，施加的水分输入（灌溉水和降水）占ETm的23%到90%（表3）。

表1：Kimberly地区每年生长季节的ASCE标准化参考蒸散量（ETr，苜蓿参考）（Allen等人，2005年）、最低气温（Tmin）、最高气温（Tmax）、平均气温（Tavg）、太阳辐射（Rs）、相对湿度（RH）和2米高度处的风速（μ2）的日均值。

表2：估计的模型玉米青贮蒸散量（ETm）和生长季节降水量在Kimberly地区的情况。

表3：Kimberly地区每年生长季节的土壤（0-1.2米深度）水分变化（ΔS）、降水量（P）、灌溉（I）和玉米青贮水分利用量（ETc）。

3.1 作物、气候、水分输入、蒸散量和土壤含水量

研究中的管理措施与爱达荷州南部地区的商业实践一致。出苗日期分别为2017年5月27日、2018年6月1日和2019年6月1日。所有处理组的植株密度分别为90,000株/公顷、89,500株/公顷和87,600株/公顷。爱达荷州5年的平均玉米产量为21.2干吨/公顷（USDA-NASS，2023年）。研究中最大产量（+N FIT处理）分别为2017年的19.7吨/公顷、2018年的19.1吨/公顷和2019年的17.0吨/公顷。Kimberly地区的气候较为干燥，20年（2003-2023年）的平均年降水量约为254毫米（Bureau of Reclamation AgriMet System）。本研究中的玉米青贮生长季节（5月20日至9月15日）的20年平均降水量和ASCE标准化参考蒸散量（ETr，苜蓿参考）分别为50毫米和868毫米。平均而言，20%的年降水量发生在生长季节。表1包含了研究每年的额外气候数据。表2包含了从出苗到收获期间玉米的降水量和蒸散量数据。在我们的3年研究中，玉米青贮生长季节的降水量仅占青贮蒸散量（ETm）的3.2%（表3）。在所有处理组和年份中，施加的水分输入（灌溉水和降水）占ETm的23%到90%（表3）。75FIT处理组的ETc值在多年和不同氮输入处理条件下波动范围为60%至72%，与ETm相比。无论是FIT处理组还是75FIT处理组，在所有年份、氮输入处理条件下，0至1.2米土层深度的土壤含水量始终介于田间持水量和最大允许的土壤水分消耗水平（可利用土壤水分的50%）之间，除了2018年8月至收获期间的75FIT处理组（见图2）。在所有年份和氮输入处理条件下，75FIT处理组每年从土壤中移除的水分比FIT处理组多37毫米（见表3）。在每年的中后期，50FIT和25FIT处理组的0至1.2米土层深度土壤含水量都低于最大允许的土壤水分消耗水平（可利用土壤水分的50%）。

3.2 氮输入
2017年，在不同水分输入量下，?N处理组和+N处理组之间的玉米产量（SY）没有显著差异。在本研究地点及类似土壤类型上进行的研究表明，高氮矿化率常常会导致作物对氮输入反应不佳（Carter等人，1976年；Stanford和Smith，1972年；Tarkalson等人，2016年、2022年；Westermann和Carter，1975年）。例如，一项2010年至2017年在爱达荷州南部进行的研究数据显示，只有9个试验点中有2个点对添加氮的反应显著（Tarkalson，个人交流，2025年）。根据该地区发布的推荐值，7个无响应试验点的平均氮需求为114公斤氮/公顷（Brown等人，2010年）。所有这些研究都是在之前已施用氮肥的田块上进行的。然而，在本研究中，2018年和2019年观察到氮输入处理组之间的产量存在差异（氮输入处理与水分输入的交互作用显著），这可能是由于?N处理组在三年内都没有施用氮肥的累积效应（见表4）。水分输入与氮输入交互作用导致的结果是，随着水分输入量的增加，+N处理组的玉米产量显著高于?N处理组（见图3）。

表4. 分析方差得出的水分输入处理和氮输入处理对玉米青贮产量（Silage yield）及作物水分生产（CWP）影响的概率值（P > F）。显著性水平为0.05（加粗显示）。

图3. 2017年、2018年和2019年，玉米青贮产量（以0%含水量测量）与作物水分利用（ETc）、作物水分生产（CWP）与ETc之间的关系。每个数据点代表处理组的平均值。误差条表示处理组平均值的标准误差。对于具有显著方差分析（ANOVA）概率水平的关联，采用了二次回归线（见表4）。实线回归线代表?N和+N处理组的合并数据，虚线回归线代表?N处理组的数据，点线回归线代表+N处理组的数据。对于青贮质量测量，水分输入与氮输入的交互作用不显著（见表5）。氮输入处理对青贮质量的影响很小。氮输入处理组之间唯一的显著差异是干物质含量（CP），2018年和2019年+N处理组的CP均高于?N处理组。2018年，+N处理组的CP平均值为9.2%，?N处理组为8.2%；2019年，+N处理组的CP平均值为8.3%，?N处理组为7.0%。由于蛋白质含有氮，观察氮含量对玉米青贮CP的影响是常见的（Baghdadi等人，2017年；Lawrence和Ketterings，2008年）。

表5. 分析方差得出的水分处理和生产水平处理对粗蛋白（CP）、淀粉、水溶性碳水化合物（WSC）、乙醇可溶性碳水化合物（ESC）、酸洗涤纤维（ADF）、淀粉酶和亚硫酸钠中性洗涤纤维（aNDF）、30小时中性洗涤纤维（dNDF30）以及30小时体外干物质消化率（IVTDMD30）影响的概率值（P > F）。显著性水平为0.05（加粗显示）。

3.3 水分输入与水分生产函数
2017年，在两种氮输入处理条件下，不同水分输入处理组之间的玉米产量存在显著差异；2018年和2019年，水分输入与氮输入处理之间存在显著交互作用（见表4）。水分输入处理对青贮质量测量有显著影响（见表5）。由于生长季节降水量有限，该地区对水分输入的显著响应较为常见。三年研究期间的平均生长季节降水量为18毫米，而田间玉米的平均ETm为577毫米（见表2）。生长季节的降水量仅占玉米ETm的3.1%，这突显了灌溉在这一干旱生产系统中的重要性。所有站点年份的水分生产函数（WPF）显示在图3-5中。所有WPF均拟合为二次回归模型（方程式3-7）。对于2017年的产量和CWP WPF，由于水分输入处理的显著主效应、氮输入的主效应不显著以及氮输入与水分输入处理的交互作用不显著，因此二次模型是针对两种氮输入处理组合拟合的（见图3）。2018年和2019年，由于氮输入与水分输入处理的交互作用显著，二次模型是分别针对每种氮输入处理拟合的。这些WPF的二次模型表明，在达到最大产量之前，每单位用水量产生的玉米青贮量较少。多项研究已经报道了玉米籽粒和ETc的水分响应函数（Comas等人，2019年；Hernandez等人，2015年；Tarkalson等人，2022年；Trout和DeJonge，2017年）。然而，评估玉米青贮对水分输入响应的研究并未报告WPF（Bhattarai等人，2020年；Gheysari等人，2017年；Kiziloglu等人，2009年；Neal等人，2011年；Nilahyane等人，2018年；Salemi等人，2011年；Simsek等人，2011年；Sullivan等人，2023年；Ucak等人，2016年；van den Hoek，2015年）。我们的研究是首批报告玉米青贮WPF的研究之一。对于玉米籽粒，WPF被描述为线性关系（Barrett和Skogerboe，1978年；Gilley等人，1980年；Hanks等人，1976年；Klocke等人，2004年；Payero等人，2006年；Robins和Domingo，1953年；Schneekloth等人，1991年；Stone，2003年）。然而，Trout和DeJonge（2017）指出，线性关系可能是由于数据高度变异导致无法辨识出曲线关系。生长季节降水量高度变异可能是数据变异性的一个原因。然而，在降水量较低的地区，通过计划性灌溉更容易控制水分输入。如前所述，爱达荷州南部和美国西北部的许多干旱地区生长季节降水量有限（研究期间占玉米青贮ETm的3.1%）。

图4. 相对玉米青贮产量和作物水分生产函数。水分生产函数是根据2017年、2018年、2019年及合并年份的玉米青贮产量（以0%含水量测量）与作物水分利用（ETc）以及作物水分生产（CWP）与ETc之间的关系推导出的。图5. (a) 2017年、2018年、2019年玉米青贮粗蛋白（CP）、淀粉、水溶性碳水化合物（WSC）和乙醇可溶性碳水化合物（ESC）与作物水分利用（ETc）之间的关系。每个数据点代表处理组的平均值。误差条表示处理组平均值的标准误差。对于具有显著方差分析（ANOVA）效应的关系，采用了二次回归线（p < 0.05，见表4），并用实线回归线表示组合生产水平处理数据；对于无显著效应的关系，则未绘制回归线。具有显著ANOVA生产水平主效应的测量值的平均值显示在图中（见表4）。(b) 2017年、2018年、2019年玉米青贮酸洗涤纤维（ADF）、淀粉酶和亚硫酸钠中性洗涤纤维（aNDF）以及30小时中性洗涤纤维（dNDF30）与作物水分利用（ETc）之间的关系。每个数据点代表处理组的平均值。误差条表示处理组平均值的标准误差。对于具有显著ANOVA效应的关系，采用了二次回归线（p < 0.05，见表4），并用实线回归线表示组合生产水平处理数据；对于无显著效应的关系，则未绘制回归线。具有显著ANOVA生产水平主效应的测量值的平均值显示在图中（见表4）。水分生产函数对于灌溉管理非常重要（Trout和DeJonge，2017年；Trout等人，2020年）。水分生产函数是制定亏缺灌溉管理决策的基础（Trout等人，2020年）。最大化净收入是所有农业生产的主要目标，需要考虑水分输入成本和WPF以最大化净收入（Trout等人，2020年）。由于美国西北部干旱地区的灌溉系统（水源、灌溉成本、灌溉类型等因素）复杂性，确定如何利用WPF来最大化净收入需要根据具体地点/情景进行评估。我们研究中的曲线形SY–ETc WPF表明，随着水分使用量的增加，边际生产力（每单位用水量或用水量产生的产量）会下降，直到达到经济最优产量点（基于作物价格和所有投入成本）。在这一点上，应在整个种植区域以相同的速率追加可用灌溉水量（Trout和DeJonge，2017年）。根据SY-ETc WPFs（图3），2017年平均最大玉米产量（在N种输入处理下）为20.2 Mg ha?1，对应的ETc为478 mm（占FIT ETc的88%和ETm的79%）。2018年，在?N和+N处理下，最大玉米产量及相应的所需ETc分别为15.4 Mg ha?1（ETc为475 mm，占FIT ETc的100%和ETm的80%）和19.1 Mg ha?1（ETc为472 mm，占FIT ETc的100%和ETm的80%）。2019年，在?N和+N处理下，最大玉米产量及相应的所需ETc分别为12.1 Mg ha?1（ETc为428 mm，占FIT ETc的100%和ETm的81%）和17.3 Mg ha?1（ETc为440 mm，占FIT ETc的100%和ETm的82%）。在两种氮输入处理下，随着年份的增加，最大产量都有所下降。这可能是由于多种因素造成的，包括研究期间连续种植玉米系统导致的产量滞后以及季节性气候因素（Dobermann等人，2003年；Gentry等人，2013年；Tarkalson等人，2022年）。在我们的研究中，2019年是研究的最后一年，期间根虫压力有所增加。从2017年到2019年，在所有水分输入处理下，产量分别减少了6.2 Mg ha?1和4.4 Mg ha?1。根据CWP–ETc WPFs（图3），在所有年份和氮输入处理下，最大CWP的范围为2.10–4.75 kg m?3。关于半干旱气候下CWP的研究较少（Kiziloglu等人，2009年；Neal等人，2011年；Simsek等人，2011年）。这三项研究在最佳ETc下的CWP分别为1.49、4.53和9.12 kg m?3。我们研究中的FIT处理下的CWP范围为2.83至4.04 kg m?3。数据显示，CWP在低于最大产量ETc的条件下达到最大值（表3）。在不同年份和氮输入处理下，最大CWP对应的ETc平均比最大产量ETc低19%。根据CWP–ETc WPFs（图3），2017年平均最大玉米CWP为4.75 kg m?3，对应的ETc为404 mm（占FIT ETc的74%和ETm的67%）。2018年，在?N和+N处理下，最大玉米CWP及相应的所需ETc分别为3.87 kg m?3（ETc为358 mm，占FIT ETc的75%和ETm的61%）和4.57 kg m?3（ETc为382 mm，占FIT ETc的81%和ETm的65%）。2019年，在?N和+N处理下，最大玉米产量及相应的所需ETc分别为3.20 kg m?3（ETc为335 mm，占FIT ETc的78%和ETm的63%）和4.16 kg m?3（ETc为382 mm，占FIT ETc的87%和ETm的71%）。标准化WPFs（Rel SY–Rel ETc WPF和Rel CWP–Rel ETc WPF）显示在图4中。数据的标准化有助于跨年份和地点进行比较（Trout & DeJonge，2017年）。青贮饲料的质量测量用于确定饲料质量和制定饲料配方（Van Saun，2023年）。一般来说，纤维含量较低（ADF和aNDF）且纤维消化率较高（dNDF30和CP）的青贮饲料质量更好。淀粉、WSC和ESC是非纤维碳水化合物的测量指标，其浓度越高通常表示质量越好。在大多数年份中，水分输入处理对大多数青贮饲料质量测量指标影响最大（表6）。生产水平的主效应处理仅在2018年和2019年对CP浓度有显著差异，+N处理的CP浓度高于?N处理（图5a）。总体而言，随着ETc的增加，CP、WSC、ESC、ADF、aNDF和dNDF30的浓度均有所下降，其中25FIT与其他水分输入处理之间的下降幅度最大（图5a,b）。50FIT、75FIT和FIT处理之间的这些青贮饲料质量测量指标相似。因此，水分胁迫越大，玉米青贮饲料的CP、WSC、ESC、ADF、aNDF和dNDF30受影响的可能性越大。随着ETc的增加，玉米青贮饲料中的淀粉浓度也增加（图5a）。表6包含了玉米青贮饲料的质量WPFs。关于水分输入（从不足到满ETc）对青贮饲料质量影响的研究较少（Simsek等人，2011年；Sullivan等人，2023年；Ucak等人，2016年）。在这些已发表的研究和我们的研究中，不同水分输入范围内的青贮饲料质量趋势相反。因此，需要更多的研究来解释这些相反趋势的原因。我们的研究是唯一一个显示随着水分输入增加CP下降的研究（图5a）。Sullivan等人（2023年）和Ucak等人（2016年）报告称随着水分输入增加CP增加，而Simsek等人（2011年）报告称CP没有变化。随着水分输入的增加，ADF有所增加（Sullivan等人，2023年）或保持不变（Ucak等人，2016年）。我们的研究显示随着水分输入的增加，ADF减少（图5a）。我们的研究提供了半干旱气候下水分输入对WSC、ESC和dNDF30影响的唯一已发表数据。表6显示了二次回归分析的结果（图5a,b），探讨了自变量ETc与因变量青贮产量、粗蛋白（CP）、淀粉、水溶性碳水化合物（WSC）、乙醇溶性碳水化合物（ESC）、酸洗涤纤维（ADF）、淀粉酶和亚硫酸钠中性洗涤纤维（aNDF）、30小时中性洗涤纤维（dNDF30）以及30小时体外干物质消化率（IVTDMD30）之间的关系。二次回归模型的处理数据位于图5a,b中。

**结论**
玉米产量和质量指标对水分输入水平（从不足到满ETc）有响应。基于这些关系，我们开发了WPFs，可以作为模型基础，以最大化农场/奶牛场的经济效益，并指导半干旱气候下的玉米青贮灌溉管理。这项研究是唯一一项为美国西部半干旱地区的玉米青贮饲料开发WPFs的研究。第一年后，?N和+N系统的产量WPFs不同，?N处理的产量较低。使用ASCE标准化参考蒸散模型的AgriMet Kc系数会导致ETc的高估，可能需要调整。然而，使用FAO Kc系数可能会导致水分过度施用。这些数据支持了在生长季节监测土壤水分状况和ETc的必要性，以了解玉米的水分胁迫水平，并帮助安排灌溉计划。这些结果是基于在深厚淤泥壤土中的玉米生长得出的。在持水能力较低的土壤和浅层土壤中，结果可能有所不同。

**作者贡献**
David D. Tarkalson：概念化；数据整理；正式分析；调查；方法论；项目管理。
Bradley A. King：概念化；调查；方法论；软件；可视化；初稿撰写；审稿和编辑。
David L. Bjorneberg：概念化；可视化；审稿和编辑。

**利益冲突声明**
作者声明没有利益冲突。